DATAMODELLERING TOEPASSEN DATA ANALYTICS
|
|
- Hidde Vos
- 4 jaren geleden
- Aantal bezoeken:
Transcriptie
1 DATAMODELLERING TOEPASSEN DATA ANALYTICS Inleiding In dit whitepaper wordt een toepassingsgebied beschreven voor datamodellering. Een toepassing is een werkveld op het vlak van architectuur of modellering waarbij een aantal data modelleervormen met elkaar gecombineerd worden. Deze specifieke modelleervormen zijn beschreven in een serie whitepapers. In de whitepapers over toepassingsgebieden gaan we in hoe de verschillende modelleervormen met elkaar gecombineerd worden ter ondersteuning van dit toepassingsgebied Deze combinatie maakt het vervolgens mogelijk om op adequate wijze een model te communiceren voor dit toepassingsgebied. In een aantal gevallen wordt alleen documentatie geproduceerd, in andere situaties kunnen ook andere zaken geproduceerd worden zoals source code of templates etc. Doel Data Analytics kent veel verschijningsvormen, denk aan Business Intelligence, Data Science, Analytics of Machine Learning. Data Analytics is een werkveld dat momenteel volop in beweging is, er ontstaan nog steeds nieuwe vormen van analysemethoden en -technieken. Daarnaast vinden op technologisch vlak veel ontwikkelingen plaats. Denk aan Big Data platformen, NoSQL databases en vormen van analytics systemen. Datamodellering speelt echter in alle vormen van analytics een belangrijke rol. Met name het objectmodel dat gebruikt wordt als onderliggend model voor de analyse is een vorm van data modellering. Soms is dit zeer expliciet zoals in een Data Ware House (DWH), bij andere toepassingen is dit meer impliciet zoals in tools voor data scientists. Wordt data geproduceerd, verwerkt, opgeslagen en getransporteerd dan kan deze data geanalyseerd worden. In een aantal gevallen is de verwerking specifiek voor analytics (DWH). Andere situaties kenmerken zich dat de data eerst verzameld en opgeslagen is voor andere toepassingen en vindt later analyse plaats. Echter in al deze situaties is een datamodel aanwezig. In dit whitepaper behandelen we de Data Analytics in meer algemene zin en niet gericht op een specifiek vakgebied. Sommige notatiewijzen zijn meer expliciet voor één modelleervorm, anderen zijn meer algemeen. Context Data analytics is binnen sommige organisaties goed ontwikkeld. Hier werken verschillende disciplines zoals data engineers, vakinhoudelijk experts en data scientists nauw met elkaar samen om te zoeken naar patronen in dataverzamelingen waar de organisatie zich mee kan onderscheiden ten opzichte van concurrenten. In andere organisaties is data analytics eenvoudiger van opzet en minder ontwikkeld en bestaat analytics uit een aantal eenvoudige rapportages binnen de productionele informatiesystemen. In alle situaties is
2 een model relevant. Er wordt hierbij vaak gesproken over schema on read en schema on write. Een belangrijk concept in nieuwe toepassingen waarbij schema betrekking heeft op het datamodel dat voor de analyse ingezet wordt. Voor datamodellering en analytics verwijs ik meestal naar een eenvoudig model gebaseerd op de informatie theorie van Shannon. Dit model geeft aan dat er data geproduceerd wordt en gebruikt en hoe groter de afstand tussen productie en gebruik hoe meer integratie en opslag plaats zal vinden. Voor data analytics kan voor iedere stap in dit model een data model opgesteld worden. In een volwassen organisatie is dit essentieel om op adequate wijze de juiste bronnen voor data analyse te kiezen en de data in deze bronnen op efficiënte wijze te converteren naar een model geschikt voor analyse. DOELEN VAN DATA ANALYSE Data analyse heeft vele doelen, onderstaande opsomming geeft een niet uitputtend overzicht: Optimalisatie van werkprocessen, als analyse vormen worden ingezet kan een werkproces anders vormgegeven worden. De handmatige- of semi geautomatiseerde activiteiten kunnen (deels) vervangen worden door algoritmes op dataverzamelingen van binnen en buiten de eigen databronnen. Signalering, op een voldoende vroeg moment signaleren van abnormaliteiten in data(stromen) kunnen een organisatie ondersteunen bij het op juiste tijd nemen van beslissingen of ondernemen van corrigerende acties. Onderzoek en wetenschap, in de wetenschap is het doen van data analyse niet meer weg te denken. Veel analyse technieken zijn ontwikkeld in het werkveld van onderzoek en wetenschap.
3 Beslissingen nemen, data wordt omgezet naar informatie en dat wordt vervolgens omgezet naar kennis. Met de juiste kennis kunnen onderbouwde beslissingen genomen worden. Analytics en data modellering In een vorige paragraaf hebben we reeds de levensloop getoond van data. Hieronder geven we een meer uitgewerkt raamwerk dat ingezet kan worden in Big Data toepassingen en data analytics. Ook voor DWH en BI omgevingen is dit raamwerk bruikbaar. Voor iedere stap kunnen een aantal notatiewijzen ingezet worden. Een aantal zijn reeds behandeld in andere whitepapers zoals data management, security en opslag. Dit model kan ingezet worden om de deelactiviteiten of functionaliteiten te plotten op het model en dit vervolgens uitwerken tot een transformatiemodel wat de modelveranderingen in iedere fase laat zien. Dit eventueel in combinatie met de componenten die daarvoor ingezet gaan worden. Notatiewijzen Voor data modellering binnen data analytics zijn een aantal notatiewijzen relevant. Een aantal is essentieel, en een aantal is ondersteunend. Onderstaande afbeelding geeft een beeld van de notatiewijzen die vervolgens kort worden toegelicht.
4 CONCEPTUEEL DATAMODEL Het conceptueel datamodel is voor data anlytics een essentieel onderdeel dat zorgt voor de beschrijving welke data entiteiten cq data sets relevant zijn binnen de organisatie en hoe deze zich verhouden tot elkaar en tot het gebruik in de organisatie. Onderstaande afbeelding geeft een beeld van een eenvoudig conceptueel datamodel uitgewerkt binnen de ArchiMate notatie. Meer informatie over de notatiewijze is te vinden via:
5 LOGISCH DATAMODEL Het logisch model is in data analytics voornamelijk van belang bij het beschrijven van de structuur zonder rekening te houden met de fysieke implementatie. Dit model is de basis van het analyse model en dient daarom voldoende detail te bevatten om een analyse te kunnen uitvoeren. Onderstaande afbeelding geeft een voorbeeld van deze notatiewijze. Er zijn echter meerdere vormen van notatie mogelijk, zoals het ER Diagram. De onderstaande link geeft een beeld van het UML klasse diagram. FYSIEKE MODELLERING De fysieke modellering wordt voornamelijk gebruikt om de structuur van de databronnen te beschrijven. Dit wordt gedaan met een notatiewijze die aansluit bij de structuur van de data in de databronnen. Denk bijvoorbeeld aan ER diagrammen voor relationele databases, XSD structuren voor NoSQL databases of het gebruik van data integratie systemen als bron voor een data analyse. Naast de (semi) gestructureerde datasets wordt binnen data analyse steeds vaker gebruik gemaakt van datasets met weinig structuur. Denk bijvoorbeeld aan de inzet van social media voor het doen van analyse. Een aantal social media platformen ontsluiten met name laag gestructureerde data. Modellering van deze laag gestructureerde data is een uitdaging en wordt veelal op basis van andere dimensies gedaan. Denk bijvoorbeeld aan verschillende tellingen van woorden. Onderstaande afbeelding geeft een beeld van een gestructureerd datamodel uit een relationele database. Meer informatie is te vinden via de volgende whitepapers.
6 Naast de structuur van de data bronnen en het (logische) model voor de analytics is er een derde vorm van modelleren van groot belang. Dat is de modellering van de data in beweging en de uitwerking van de transformaties en bewerkingen die op de data plaatsvinden. Hiervoor wordt veelal een vorm van data mapping gebruikt. Hierbij wordt een aangepaste vorm van ER of UML toegepast, zoals te zien is in onderstaande afbeelding.
7 Daarnaast zie je dat tools voor data analyse en integratie vaak een eigen notatiewijze hebben die gebaseerd zijn op een vorm van data mapping. Een aardig voorbeeld in de afbeelding hieronder vanuit de Open Source tool Knime:
8 Hierbij zie je feitelijk alle stappen zoals beschreven in het raamwerk terug. Van de bronnen via de transformaties naar een visualisatie en desgewenst de opslag van de gegevens in tussen- en eind data opslag. Meer informatie over data mappings is hier te vinden: DATA GEBRUIK Data analytics is een specifieke vorm van data gebruik. Het inzichtelijk maken welke analyses gebruik maken van welke datasets kan daarom toegevoegde waarde bieden. Het geeft een beeld welke dataset vaak ingezet wordt voor analyse. Dat onderstreept de relevantie van de data maar mogelijk ook van de kwaliteiten van de data in deze set. Data gebruik kan ingezet worden het modelleren van de datasets die ingezet worden maar ook voor de transformaties die gedaan worden op een dataset tussen bron en toepassing. Hiervoor kan de ArchiMate core goed ingezet worden. Bijvoorbeeld de applicatie functies en de componenten. Veelal zal dit geplot worden op het raamwerk zoals beschreven eerder in dit hoofdstuk. Meer informatie over de notatiewijze is te vinden via:
9 Data autorisaties Data autorisaties zijn optioneel voor data analytics. Dit is afhankelijk van de context van de organisatie maar ook van het soort datasets dat ingezet wordt voor de analyse. Zijn dit datasets met een hoge mate van vertrouwelijkheid of met privacy gevoelige data dan is het wenselijk om in kaart te brengen wie toegang heeft tot deze datasets (en de eventuele tussenproducten). Hiervoor is een CRUD matrix een goed hulpmiddel. Een CRUD matrix geeft aan per dataset welke bedrijfsrol, lees, creer, muteer en verwijder rechten heeft. Meer informatie over de CRUD matrix is te vinden in whitepaper: Onderstaande afbeelding is een voorbeeld van een eenvoudige CRUD matrix: DATA QUALITY Voor het modelleren van de kwaliteit van een dataset binnen een analyse situatie is in eerste instantie een overzicht van relevante data kwaliteiten van belang. Deze lijst kan men zelf opstellen, echter er zijn reeds een aantal standaard kwaliteitsindelingen aanwezig. Het model van DaMa is het meest compleet en wordt daarom veel ingezet.
10 Is er een lijst van kwaliteiten gedefinieerd dan kan deze gerelateerd worden aan de verschillende datasets binnen de analyse. Hiervoor zijn meerdere mogelijkheden, de meest eenvoudige, maar toch effectieve, aanpak is een scorematrix. Hierbij geef je in de matrix aan hoe een dataset scoort op een bepaalde kwaliteit. Datasets met een hoge score in kwaliteiten kunnen goed ingezet worden bij de selectie van datasets in de aquisitie fase binnen het analyse raamwerk. De score matrix een goed hulpmiddel. Score kan ingevuld worden met een getal tussen 0 en 10 of een ordinale indeling zoals Laag Midden Hoog. Detailinformatie over de modelleervorm score matrix is te vinden via: Kenmerken Data Analytics worden door steeds meer organisaties ingezet als middel om nieuwe inzichten te verkrijgen uit data en deze techniek komt daarom bij steeds meer organisaties hoger op de prioriteitenlijst te staan. Daarnaast neemt de hoeveelheid data die door organisaties verwerkt worden verder toe wat aanvullende mogelijkheden biedt voor analytics. Big Data en Data Analytics bieden vanuit data modelleringsperspectief een aantal interessante modelleerbehoeften, met name de logische datamodellering en de data mappings zijn hierbij essentieel in combinatie met het conceptuele model. Bij de introductie van data analytics zijn de volgende kenmerken relevant: Kijk naar een toepassing of onderzoeksvraag relevant in de organisatie en stel hier een eenvoudig model van op. Zoek sponsoren cq ambassadeurs op management niveau voor de hierboven genoemde onderzoeksvraag. Selecteer de benodigde databronnen en acquireer de data. Stel ook van de bronnen een datamodel op Richt iteratief de oplossing in en betrek in een vroeg stadium de juiste (bedrijfsmatige) stakeholders hierbij.
11 Stel de data mappings op of selecteer een tool die deze data mappings kan genereren. Lever indien relevant een oplossing op en zorg dat deze ingebed wordt in de ICT organisatie. Producten De producten van data analytics vanuit data modelleringsperspectief zijn samengevat: Conceptueel datamodel Logisch datamodel Fysieke modellen van de bronnen Data mappings Modellen rond datagebruik CRUD matrix Tooling Zoals reeds genoemd zijn er rond data analytics meerdere producten te vinden, veelal als onderdeel van een Big Data platform of data analytics suite. Er zijn vele specifieke producten zoals bijvoorbeeld RapidMiner, Knime, Cloudera, HortonWorks of Elasticsearch/Kibana. Als laatste is het inzetten van generieke (enterprise) architectuurtooling te noemen. Een aantal architectuur tools hebben de mogelijkheid om datastructuren en modelleertalen met elkaar te combineren waardoor de (data) modelleerbehoefte voor data analytics grotendeels kan worden afgedekt. Evaluatie Data analytics is een nieuw vakgebied dat door steeds organisaties wordt ingezet. Er zijn vele vormen van data analytics beschikbaar zoals BI, DWH, Predictive Analytics of Machine Learning. Binnen data analytics speelt data modellering een rol. Met name het leggen van verbanden tussen de data entiteiten in de bronnen en het logische model van de analyse is essentieel. In een vroeg stadium nadenken welke modelleervormen relevant zijn, hoe deze aan elkaar verbonden worden en hoe de stakeholders daarbij betrokken zijn ondersteunt de introductie van effectieve analytics. In dit whitepaper hebben we een combinatie van modelleervormen beschreven die een (minimale) set is van generieke notatiewijzen op basis waarvan data analytics in organisaties gemodelleerd kunnen worden. Voor specifieke toepassingen kunnen specialistische modelleervormen nodig zijn. Over de auteur Bert Dingemans is trainer op het vlak van data architectuur, data management en Big Data. Hij heeft een passie voor modelleren, modelleertools en het effectief inzetten van geautomatiseerde hulpmiddelen om modellen effectief in te zetten in de praktijk. Bert is te bereiken via
DATAMODELLERING BASIS UML KLASSEMODEL
DATAMODELLERING BASIS UML KLASSEMODEL Inleiding In dit whitepaper wordt de datamodelleervorm basis UML klassemodel beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen.
Nadere informatieDATAMODELLERING CRUD MATRIX
DATAMODELLERING CRUD MATRIX Inleiding In dit whitepaper wordt de datamodelleervorm CRUD Matrix beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen. Wil je een beeld
Nadere informatieDATAMODELLERING DATA MAPPING MODEL
DATAMODELLERING DATA MAPPING MODEL Inleiding In dit whitepaper wordt de datamodelleervorm data mapping model beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen. Wil
Nadere informatieDATAMODELLERING SCORE MATRIX
DATAMODELLERING SCORE MATRIX Inleiding In dit whitepaper wordt de datamodelleervorm Score Matrix beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen. Wil je een beeld
Nadere informatieDATAMODELLERING RACI MATRIX
DATAMODELLERING RACI MATRIX Inleiding In dit whitepaper wordt de datamodelleervorm RACI Matrix beschreven. Deze modelleervorm staat in verhouding tot een aantal andere data modelleervormen. Wil je een
Nadere informatieDATAMODELLERING DATA FLOW DIAGRAM
DATAMODELLERING DATA FLOW DIAGRAM Inleiding In dit whitepaper wordt de datamodelleervorm data flow diagram beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen. Wil
Nadere informatieDATAMODELLERING BEGRIPPENBOOM
DATAMODELLERING BEGRIPPENBOOM Inleiding In dit whitepaper wordt de datamodelleervorm begrippenboom inclusief de begrippenlijst beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen.
Nadere informatieDATAMODELLERING SIPOC
DATAMODELLERING SIPOC Inleiding In dit whitepaper wordt de datamodelleervorm Sipoc beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen. Wil je een beeld krijgen van
Nadere informatieDATAMODELLERING ARCHIMATE DATA- & APPLICATIEMODELLERING
DATAMODELLERING ARCHIMATE DATA- & APPLICATIEMODELLERING Inleiding In dit whitepaper wordt de datamodelleervorm ArchiMate data- & applicatiemodellering beschreven. Deze modelleervorm staat in verhouding
Nadere informatieDATAMODELLERING ARCHIMATE DATA & BEDRIJFSMODELLERING
DATAMODELLERING ARCHIMATE DATA & BEDRIJFSMODELLERING Inleiding In dit whitepaper wordt de datamodelleervorm ArchiMate data & bedrijfsmodellering beschreven. Deze modelleervorm staat in verhouding tot een
Nadere informatieDATAMODELLERING ER DIAGRAM
DATAMODELLERING ER DIAGRAM Inleiding In dit whitepaper wordt de datamodelleervorm ER diagram beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen. Wil je een beeld krijgen
Nadere informatieDATAMODELLERING ARCHIMATE DATAMODELLERING
DATAMODELLERING ARCHIMATE DATAMODELLERING Inleiding In dit whitepaper wordt de datamodelleervorm ArchiMate datamodellering beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen.
Nadere informatieDATAMODELLERING GEAVANCEERD UML KLASSEMODEL
DATAMODELLERING GEAVANCEERD UML KLASSEMODEL Inleiding In dit whitepaper wordt de datamodelleervorm geavanceerd UML klassemodel beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen.
Nadere informatieINLEIDING INFORMATIE- EN DATAMODELLERING
INLEIDING INFORMATIE- EN DATAMODELLERING Inleiding Informatie- en datamodellering is een belangrijk onderdeel van veel werkvelden in de bedrijfskunde en de informatiekunde. Denk bijvoorbeeld aan informatie
Nadere informatieDATAMODELLERING XML SCHEMA DEFINITIONS
DATAMODELLERING XML SCHEMA DEFINITIONS Inleiding In dit whitepaper wordt de datamodelleervorm XML Schema Definition (XSD) beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen.
Nadere informatieCanonieke Data Modellering op basis van ArchiMate. Canonieke Data Modellering op basis van Archimate Bert Dingemans
Canonieke Data Modellering op basis van ArchiMate Canonieke Data Modellering op basis van Archimate Bert Dingemans Abstract Modelleren op basis van de open standard ArchiMate is een goed uitgangspunt voor
Nadere informatieTools voor canonieke datamodellering Bert Dingemans
Tools voor canonieke datamodellering Tools voor canonieke datamodellering Bert Dingemans Abstract Canonieke modellen worden al snel omvangrijk en complex te beheren. Dit whitepaper beschrijft een werkwijze
Nadere informatieDATAMODELLERING TOEPASSEN SOA
DATAMODELLERING TOEPASSEN SOA Inleiding In dit whitepaper wordt een toepassingsgebied beschreven voor datamodellering. Een toepassing is een werkveld op het vlak van architectuur of modellering waarbij
Nadere informatieVAARWEL ARCHITECTUUR DOCUMENT WELKOM ARCHITECTUUR REPOSITORY INZETTEN VAN ENTERPRISE ARCHITECT ALS ALTERNATIEF VOOR ARCHITECTUURDOCUMENTEN
VAARWEL ARCHITECTUUR DOCUMENT WELKOM ARCHITECTUUR REPOSITORY INZETTEN VAN ENTERPRISE ARCHITECT ALS ALTERNATIEF VOOR ARCHITECTUURDOCUMENTEN AGENDA Architectuurdocumenten waarom wel of niet? Alternatieven
Nadere informatieArchimate risico extensies modelleren
Archimate risico extensies modelleren Notatiewijzen van risico analyses op basis van checklists versie 0.2 Bert Dingemans 1 Inleiding Risico s zijn een extra dimensie bij het uitwerken van een architectuur.
Nadere informatieKenmerken van DLArchitect
Kenmerken van DLArchitect Bert Dingemans, e-mail : bert@dla-os.nl www : http://www.dla-os.nl 1 Inhoud KENMERKEN VAN DLARCHITECT... 1 INHOUD... 2 INLEIDING... 3 ARCHITECTUUR... 3 Merode... 3 Methode en
Nadere informatieTien tips voor canonieke datamodellering. Bert Dingemans
Tien tips voor canonieke datamodellering Bert Dingemans Abstract Modelleren is een vakgebied gebaseerd op eenvoudige notaties. Echter op het moment dat en model opgesteld wordt blijkt de te modelleren
Nadere informatieKeteininformatiemodellering op basis van Archimate
Keteininformatiemodellering op basis van Archimate Notatie en voorbeelden versie 0.1 Bert Dingemans Inhoudsopgave Inhoudsopgave... 2 Inleiding... 3 Archimate... 3 Domeininformatiemodellen... 4 Modellering...
Nadere informatieSparse columns in SQL server 2008
Sparse columns in SQL server 2008 Object persistentie eenvoudig gemaakt Bert Dingemans, e-mail : info@dla-os.nl www : http:// 1 Content SPARSE COLUMNS IN SQL SERVER 2008... 1 OBJECT PERSISTENTIE EENVOUDIG
Nadere informatieDe beheerrisico s van architectuur
De beheerrisico s van architectuur Een overzicht van de ArChimate Risico Extensie versie 0.2 Bert Dingemans Inleiding Het implementeren van een (enterprise) architectuur brengt altijd risico s met zich
Nadere informatieBusiness Scenario. Voorbeeld Archimate Risico Extensie. versie 0.1. Bert Dingemans
Business Scenario Voorbeeld Archimate Risico Extensie versie 0.1 Bert Dingemans Administratieve pagina Wijzigingshistorie Versie Datum Auteur Reden wijziging Review historie Naam Afdeling Functie Datum
Nadere informatieInterActory CDModeller
InterActory CDModeller Evaluatie prototype versie 0.1 Bert Dingemans 1 Inleiding Voor het uitwerken van een service register en een tool voor het beheer van een canoniek model is gekozen voor een werkwijze
Nadere informatieHet belang van. Data Modellering. GEMINIT Training. Data Modellering. Frédéric BARBIER
Het belang van Data Modellering Studiedag Informatiemanagement Politeia, 22 februari 2013, Gent Open data en de cloud: een revolutie in de informatiehuishouding van de overheid Training Data Modellering
Nadere informatieCanonieke data-architectuur Bert Dingemans
Canonieke data-architectuur Canonieke data-architectuur Bert Dingemans Abstract Deze whitepaper beschrijft diverse aspecten van canonieke data-architectuur. Naast de definitie van canonieke data-architectuur
Nadere informatieBUSINESS INTELLIGENCE
BUSINESS INTELLIGENCE IT is peoples business Inhoudsopgave 1 HET TEAM 2 ONZE DIENSTEN 3 BI VOLWASSENHEIDS MODEL 4 DE NIVEAUS Start klein Groei Professionaliseer Wees bepalend Voor meer informatie of een
Nadere informatieProject Start Architectuur (PSA)
Project Start Architectuur (PSA) InterActory Architectuur Service Orientatie versie 0.2 Bert Dingemans Administratieve pagina Wijzigingshistorie Versie Datum Auteur Reden wijziging 0.1 Maart 2012 Bert
Nadere informatieDe architect twijfelt over een aantal zaken in beide scenario s en stelt daarom voor een aantal analyses te doen, zoals:
Kwalitatieve - en kwantitatieve analyses kunnen de dienstverlening van de enterprise-architect verbeteren. Toch is de inzet van deze analysevormen eerder uitzondering dan regel. Hoe kunnen we dit hulpmiddel
Nadere informatieLiving Labs : NFI & RvdK Samen onderweg naar meer grip op data. JenV I-tour presentatie 24 april 2018
Living Labs : NFI & RvdK Samen onderweg naar meer grip op data JenV I-tour presentatie 24 april 2018 1 Agenda Deel I - door Jannie RvdK Intermezzo filmpje I-plan JenV Deel II door Femke en Xandra NFI KInD
Nadere informatieHistorische informatie in een Spatial Dynamisch Data Warehouse. Wil de Jong Enterprise Architect
Historische informatie in een Spatial Dynamisch Data Warehouse Wil de Jong Enterprise Architect Spatial Eye Synergiedag 2 februari 2012 Aanleiding Business Intelligence project De oplossing en aanpak BI-Visie
Nadere informatieDe geïntegreerde architectuur van Informatie- en Operationele Techniek. Jurg Bremmer (sr. Consultant - )
De geïntegreerde architectuur van Informatie- en Operationele Techniek Jurg Bremmer (sr. Consultant - ) Welkom Agenda Introductie Informatie architectuur Voorbeelden Aanpak Discussie Jurg Bremmer sr. Consultant
Nadere informatieConceptueel Modelleren GEÏNTEGREERD DATA MODELLEREN MET DEMO EN DATA VAULT
Conceptueel Modelleren GEÏNTEGREERD DATA MODELLEREN MET DEMO EN DATA VAULT Introductie Wineke Sloos BSc Taal & Kunstmatige Intelligentie @ Tilburg University MSc Information Management @ Tilburg University
Nadere informatieB l u e D o l p h i n
B l u e D o l p h i n H e t s a m e n w e r k i n g s p l a t f o r m d a t s l i m g e b r u i k m a a k t v a n d e i n f o r m a t i e e n k e n n i s o p h e t g e b i e d v a n g e m e e n t e l i
Nadere informatieStakeholders, concerns, principes en patronen in dataarchitectuur. Bert Dingemans
Stakeholders, concerns, principes en patronen in dataarchitectuur Bert Dingemans Abstract Veranderingen in en rond organisatie zijn van invloed op de rol van de data-architect. Door deze veranderingen
Nadere informatieIntroductie ArchiMate
Introductie ArchiMate NAF Insight De Meern, 8 maart 2012 Egon Willemsz, enterprise architect UWV Programma Waarom ArchiMate? Praktijkvoorbeelden Samenvatting concepten Van start met ArchiMate Tot besluit
Nadere informatiePortability, Interoperability of toch maar Connectivity Portability, Interoperability of toch maar Connectivity.
Portability, Interoperability of toch 1 Even Voorstellen Diploma s: 1980 Bachelor of Science Civil Engineering (Cairo, Egypte) 1986 Doctoraal in Geodesie (TU Delft, Nederland) Enige Automatiseringservaring:
Nadere informatieDatamodellering en Modelmanagement met 23 mei 2019
Data & Analytics bij NS Datamodellering en Modelmanagement met 23 mei 2019 Agenda Wie is Eric van Wanrooij? NS Visie / Missie NS Data & Analytics Architectuur NS Data & Analytics Datafundament NS Data
Nadere informatieBRP-BZM Use Case Realisations Guidelines
BRP-BZM Use Case Realisations Guidelines Versie 2.0 02-09-2011 Definitief Versiehistorie Datum Versie Auteur 23-12-2010 0.1 Eerste versie R.F. Schaaf 04-01-2011 1.0 Feedback verwerkt R. Schaaf en D. Geluk
Nadere informatieTechnisch Ontwerp W e b s i t e W O S I
Technisch Ontwerp W e b s i t e W O S I WOSI Ruud Jungbacker en Michael de Vries - Technisch ontwerp Website Document historie Versie(s) Versie Datum Status Omschrijving / wijzigingen 0.1 20 nov 2008 Concept
Nadere informatieStakeholder behoeften beschrijven binnen Togaf 9
Stakeholder behoeften beschrijven binnen Togaf 9 Inventarisatie van concerns, requirements, principes en patronen Bert Dingemans Togaf 9 kent verschillende entiteiten om de behoeften van stakeholders te
Nadere informatieOP KOERS NAAR EEN DATAGEDREVEN ORGANISATIE?
OP KOERS NAAR EEN DATAGEDREVEN ORGANISATIE? THE FULL STORY Dit artikel verscheen ook in The full story. Een luchtig boek waarmee managers, ondernemers en professionals drie vliegen in één klap slaan. Je
Nadere informatieHaaglanden Medisch Centrum
Cloud oplossing in Haaglanden Medisch Centrum 26 september 2016 Agenda I. Introductie Haaglanden MC II. Situatieschets (voor implementatie) III. Probleemstelling huidige situatie IV. Doelstelling V. Pakket
Nadere informatieBusiness Intelligence White Paper
Business Intelligence White Paper Voorkeursarchitectuur voor een data warehouse Een white paper over het juist kiezen van een startarchitectuur BICONOMICS services biedt diverse diensten aan rondom het
Nadere informatieMagnutude 2012 Efficient BI. 18 september Joost de Ruyter van Steveninck
Magnutude 2012 Efficient BI 18 september Joost de Ruyter van Steveninck 2 Inhoud Is BI nog niet efficiënt? Trends in BI Efficient BI: de trends in praktijk 3 Feedback van de gebruiker Informatie behoefte
Nadere informatiePraktijkrichtlijn IMBRO
Praktijkrichtlijn IMBRO Auteur : TNO / Alterra Datum : 25 november 2009 versie : 1.0 Status : definitief IMBRO Informatiemodel Bodem en Ondergrond REVISIE HISTORIE Datum Versie Beschrijving Auteur(s)
Nadere informatieCanonieke datamodellering in de praktijk
Canonieke datamodellering in de praktijk Bert Dingemans Samenvatting Canonieke datamodellering kent vele dimensies en toepassingswijzen. Maar hoe is dit in de praktijk inzetbaar? Dit whitepaper gaat in
Nadere informatieMetadata management. Hoe grip te krijgen op de betekenis van de datahuishouding?
Metadata management. Hoe grip te krijgen op de betekenis van de datahuishouding? Metadatamanagement: balans tussen kennis, governance en tooling! Marc Govers Management Consultant, Sogeti BI & Analytics
Nadere informatieAgile Business Intelligence met datavirtualisatie
WHITEBOOK Agile Business Intelligence met datavirtualisatie Februari 2018 Auteur: Maarten van Luijtelaar INTEGRATIE SPECIALIST Inleiding Elke onderneming die zich bezighoudt met Business Intelligence kent
Nadere informatieKIM. Slimme acties ondernemen
KIM Slimme acties ondernemen CONTROLE KWIJT? Herkent u dit soort ervaringen ook? Uw organisatie heeft allerlei systemen in huis, maar Niemand weet echt meer hoe het systeem exact werkt Voor kleine wijzigingen
Nadere informatieDe rol van een data-architect. Bert Dingemans
De rol van een data-architect Bert Dingemans Abstract Bij een toenemende volwassenheid van data-architectuur neemt het gebruik van generieke gegevensverzamelingen toe. Deze gegevens worden veelal beheerd
Nadere informatieWHITEPAPER RAPPORTAGETOOLS DIE ECHT WERKEN DOOR ERIK VENEMA
WHITEPAPER RAPPORTAGETOOLS DIE ECHT WERKEN DOOR ERIK VENEMA Rapportagetools die echt werken Data komt in een organisatie uit alle hoeken en gaten binnen. En van buiten af volgt er nog misschien nog meer
Nadere informatieTrainingen over datagedreven werken. Van data naar doen met de Digital Power Data Academy.
Trainingen over datagedreven werken Van data naar doen met de Digital Power Data Academy. Waarom training bij Digital Power? Trainers met praktijkervaring Al onze trainers werken dagelijks met data voor
Nadere informatieTechnisch Ontwerp Ontwerp template
Auteur Dennis Steenwijk Versie Datum Status 1 Inleiding 2 Versie geschiedenis Versie Datum Status Naam Omschrijving 03-10-08 Dennis Steenwijk versie 2 van 9 Versie geschiedenis 3 Distributie Naam Functie
Nadere informatiesmartops people analytics
smartops people analytics Introductie De organisatie zoals we die kennen is aan het veranderen. Technologische ontwikkelingen en nieuwe mogelijkheden zorgen dat onze manier van werken verandert. Waar veel
Nadere informatieQlik Sense Healthcare. Document 16052
Qlik Sense Healthcare Document 16052 Inhoud 1. Introductie... 3 1.1 Qlik Sense... 3 1.2 Qlik Sense Healthcare... 3 1.3 Qlik Sense als product... 3 2 Overview healthcare module... 4 2.1 De opbouw van de
Nadere informatieFACTSHEET. econnect Zaakgericht Werken Portaal
FACTSHEET econnect Zaakgericht Werken Portaal Zaakgericht Werken Portaal Uw uitdaging Vanuit organisaties in diverse branches krijgt ETTU vaak de vraag hoe Microsoft SharePoint optimaal benut kan worden.
Nadere informatiei-grip op drie decentralisaties
i-grip op drie decentralisaties Een organisatie die op het juiste moment over betrouwbare en actuele informatie beschikt, kan haar dienstverlening verbeteren, haar bedrijfsvoering bijsturen en betrouwbaar
Nadere informatieKennis na het volgen van de training. Na het volgen van deze training bent u in staat:
Training Trainingscode Duur Gepubliceerd Taal Type Leermethode Kosten SF2015V8 4 dagen 02/02/2015 Nederlands & Engels Developer, basis Invidueel & klassikaal Op aanvraag Deze training richt zich op het
Nadere informatiePProject Start Architectuur (PSA)
PProject Start Architectuur (PSA) Archimate Risico Extensie (Are) versie 0.2 Bert Dingemans Administratieve pagina Wijzigingshistorie Versie Datum Auteur Reden wijziging 0.1 Juni 2011 Bert Dingemans Geen
Nadere informatieKeteininformatiemodellering op basis van UML
Keteininformatiemodellering op basis van UML Richtlijnen en voorbeelden versie 0.1 Bert Dingemans Keteininformatiemodellering op basis van UML... 1 Richtlijnen en voorbeelden... 1 Inleiding... 2 Documenten...
Nadere informatieEEN LEAR N I NG ANALYTICS S ER VI CE JOHAN JEUR ING
EEN LEAR N I NG ANALYTICS S ER VI CE JOHAN JEUR ING INTRODUCTIE De opdrachtgever voor dit project is Johan Jeuring, van het departement Informatica van de Universiteit Utrecht, namens het projectteam van
Nadere informatieToegepaste notatiewijzen DLA software
Toegepaste notatiewijzen DLA software Bert Dingemans info@dla-architect.nl Inleiding In de DLA Software wordt gebruik gemaakt van een aantal notatiewijzen voor het opstellen van een object- en procesmodel.
Nadere informatieIn 3 stappen naar de juiste keuze voor marketing software
In 3 stappen naar de juiste keuze voor marketing software 4orange, 2014 Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 2 Hoe kunnen de juiste keuzes voor marketing software gemaakt worden? In
Nadere informatieLifecycle Management: opereren onder architectuur. Jan Willem van Veen jwvveen@archixl.nl
Lifecycle Management: opereren onder architectuur Jan Willem van Veen jwvveen@archixl.nl Agenda Introductie mijzelf en ArchiXL Korte inleiding Lifecycle Management methodiek Inzicht in status Inzicht in
Nadere informatieAAG Analytics 28 maart 2019
AAG Analytics 28 maart 2019 Inleiding Nergens is de groei van data zo groot als in de zorg. Dankzij digitale technieken worden veel gegevens vastgelegd: van cliënt- tot en met medewerkersgegevens, van
Nadere informatieRapportage Lineage. Introductie. Methode. J. Stuiver
Rapportage Lineage Rapportage Lineage J. Stuiver Introductie In elk project is het essentieel om informatie over het project en haar activiteiten voor alle partijen beschikbaar te stellen. Deze informatie
Nadere informatieData Warehouse. Een introductie. Algemene informatie voor medewerkers van SYSQA B.V.
Data Warehouse Een introductie Algemene informatie voor medewerkers van SYSQA B.V. Organisatie SYSQA B.V. Pagina 2 van 9 Inhoudsopgave 1 INLEIDING... 3 1.1 ALGEMEEN... 3 1.2 VERSIEBEHEER... 3 2 DOEL VAN
Nadere informatieKickstart-aanpak. Een start maken met architectuur op basis van best practices.
Kickstart-aanpak Een start maken met architectuur op basis van best practices. www.theunitcompany.com Kickstart-aanpak Soms is net dat extra duwtje in de rug nodig om te komen waar je wilt zijn. In onze
Nadere informatieSAP Enterprise Asset Management en GIS
Ideo Whitepaper SAP Enterprise Asset Management en GIS Waar zat die gasleiding nou ook al weer precies, heb ik mijn monteur wel met de juiste materialen naar de juiste locatie gestuurd en heb ik alle relevante
Nadere informatieTIG THE IMPEMENTATION GROUP BUSINESS INTELLIGENCE: VIND HET VERHAAL ACHTER DE DATA
TIG THE IMPEMENTATION GROUP BUSINESS INTELLIGENCE: VIND HET VERHAAL ACHTER DE DATA BUSINESS INTELLIGENCE Hoeveel docenten staan onbevoegd voor de klas? Hoe zien de vaksecties er over drie tot vijf jaar
Nadere informatieStrategische personeelsplanning objectief onderbouwen met People Analytics
Strategische personeelsplanning objectief onderbouwen met People Analytics Na het lezen van deze white paper weet u: Wat een strategische personeelsplanning (SPP) is Hoe organisaties veranderen door automatisering
Nadere informatieIN 4 STAPPEN NAAR EEN DATAGEDREVEN ORGANISATIE ALLES WAT JE MOET WETEN VOOR EEN SUCCESVOLLE DATA TRANSFORMATIE
IN 4 STAPPEN NAAR EEN DATAGEDREVEN ORGANISATIE ALLES WAT JE MOET WETEN VOOR EEN SUCCESVOLLE DATA TRANSFORMATIE 2019 WHITEPAPER INHOUDSOPGAVE Stap 1: Inzicht in veranderende databehoeftes 04 Stap 2: Controleren
Nadere informatieMijn kennismaking met SAP BusinessObjects Cloud
Door Maarten Kooijman, November 2016? Mijn kennismaking met SAP BusinessObjects Cloud Op dit moment zijn er veel nieuwe ontwikkelingen op het gebied van cloud analytics en business intelligence. Eén van
Nadere informatieDe Moderne Werkplek. Een sterke basis voor elke organisatie die klaar wil zijn voor de toekomst
De Moderne Werkplek Een sterke basis voor elke organisatie die klaar wil zijn voor de toekomst Een sterke basis voor elke organisatie die klaar wil zijn voor de toekomst Bij veel organisaties staat digitalisering
Nadere informatieOpenText RightFax. Intuitive Business Intelligence. Whitepaper. BI/Dashboard oplossing voor OpenText RightFax
OpenText RightFax Intuitive Business Intelligence Whitepaper BI/Dashboard oplossing voor OpenText RightFax Beschrijving van de oplossing, functionaliteit & implementatie Inhoud 1 Introductie 2 Kenmerken
Nadere informatieBIG DATA: OPSLAG IN DE CLOUD
BIG DATA & ANALYTICS BIG DATA: OPSLAG IN DE CLOUD FLEXIBEL EN SCHAALBAAR BEHEER VAN ENORME HOEVEELHEDEN INFORMATIE IN GROTE ORGANISATIES EFFICIËNT EN SCHAALBAAR OMGAAN MET INFORMATIE-EXPLOSIE De hoeveelheid
Nadere informatieHR Good Info. Artikel HR Big Data Pagina 1 van 5
HR Good Info Big Data is hot. De kunst blijft echter: hoe maak je op een slimme manier 'good info' uit al die gegevens? Ook HR kan gebruikmaken van de kennis die op het gebied van Big Data is opgedaan
Nadere informatieWHITEPAPER MEER CONVERSIE EN OMZET DOOR DATADRIVEN SALES
WHITEPAPER MEER CONVERSIE EN OMZET DOOR DATADRIVEN SALES Inleiding Digitalisering biedt kansen en uitdagingen voor sales. Waar verkopers vroeger nog koud acquireerden, maakt men nu steeds meer gebruik
Nadere informatieProactief en voorspellend beheer Beheer kan effi ciënter en met hogere kwaliteit
Proactief en voorspellend beheer Beheer kan effi ciënter en met hogere kwaliteit Beheer kan efficiënter en met hogere kwaliteit Leveranciers van beheertools en organisaties die IT-beheer uitvoeren prijzen
Nadere informatieBusiness intelligence & analytics van AAG
Business intelligence & analytics van AAG Inleiding Nergens is de groei van data zo groot als in de zorg. Dankzij digitale technieken worden veel gegevens vastgelegd: van cliënt- tot en met medewerkersgegevens,
Nadere informatieBig Data en Testen samen in een veranderend speelveld. Testnet 10 april 2014 Paul Rakké
Big Data en Testen samen in een veranderend speelveld Testnet 10 april 2014 Paul Rakké Kernvraag Is het testen van Big Data omgevingen, applicaties en de data anders dan het testen van meer traditionele
Nadere informatieMACHINE LEARNING. Een egocentrische presentatie door een data scientist van Axians. Michel van Gelder Data Scientist bij Axians
MACHINE LEARNING Een egocentrische presentatie door een data scientist van Axians Michel van Gelder Data Scientist bij Axians 1 MICHEL VAN GELDER Data Scientist Axians 2 A day in the life of.. 3 MACHINE
Nadere informatieLeerjaar 1/2 ICT-Academie. Niveau 4. Applicatie ontwikkeling
Databases SQL Leerjaar 1/2 ICT-Academie Niveau 4 Applicatie ontwikkeling Auteur: R. Meijerink Datum: Januari 2013 0. Inleiding Databases / SQL In deze lessen wordt je geleerd databases te bouwen in SQL-code.
Nadere informatieDatascience als Advies drager Crowe Foederer B.V. 1
Datascience als Advies drager 2018 Crowe Foederer B.V. 1 Agenda Crowe Foederer & Datascience Het FDS Platform; werkwijze en oplossingen Datascience als adviesdrager: twee praktijkvoorbeelden Samenvatting
Nadere informatieRegister- en sleutelbeleid Bert Dingemans
Register- en sleutelbeleid Register- en sleutelbeleid Bert Dingemans Abstract Bij een toenemende volwassenheid van data-architectuur neemt het gebruik van generieke gegevensverzamelingen toe. Deze gegevens
Nadere informatieWHITEPAPER INGREDIËNTEN VOOR SUCCESVOLLE B2B MARKTBEWERKING
WHITEPAPER INGREDIËNTEN VOOR SUCCESVOLLE B2B MARKTBEWERKING UW PARTNER IN B2B MARKETING INTELLIGENCE Inleiding Het vak van de B2B marketeer is uitdagend. Sinds de crisis zijn de budgetten structureel verlaagd.
Nadere informatieBig Data en Variabele Data Printing
Big Data en Variabele Data Printing Roelof Janssen Definitie Big Data Verwerken en interpreteren van grote en/of gevarieerde dataverzamelingen Doug Laney, Gartner: groeiend volume van data Socialmedia
Nadere informatieEindverslag. Project VolgMijnStem. Ben Teeuwen, project manager VolgMijnStem Stichting Het Nieuwe Stemmen 13 juni 2012, Utrecht
1 Eindverslag Project VolgMijnStem Ben Teeuwen, project manager VolgMijnStem Stichting Het Nieuwe Stemmen 13 juni 2012, Utrecht Lex Slaghuis, voorzitter Open State Foundation 11-03-2013 2 Inleiding Dit
Nadere informatieTips & Tricks: Tip van de maand januari 2009
Tips & Tricks: Tip van de maand januari 2009 Project Management met Teamcenter 2007 Door: Ramon van Raak Beheert u complexe projecten dan weet u als geen ander dat de projectvoorbereiding de basis legt
Nadere informatieResearch & development
Research & development Publishing on demand Workflow ondersteuning Typesetting Documentproductie Gespecialiseerd document ontwerp Web ontwerp en onderhoud Conversie Database publishing Advies Organisatie
Nadere informatieRegistratie Data Verslaglegging
Registratie Data Verslaglegging Registratie Controleren en corrigeren Carerix helpt organisaties in het proces van recruitment en detachering. De applicatie voorziet op een eenvoudige wijze in de registratie
Nadere informatieHet implementeren van een value-model als kader voor innovatie in de gezondheidszorg: Productontwikkeling van testapparaten in de medische sector.
Het implementeren van een value-model als kader voor innovatie in de gezondheidszorg: Productontwikkeling van testapparaten in de medische sector. De ontwikkeling van een Value Creation Strategy. DOVIDEQ
Nadere informatieIn 3 stappen naar de juiste keuze voor marketing software
In 3 stappen naar de juiste keuze voor marketing software 4orange, 2014 Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 2 Hoe kunnen de juiste keuzes voor marketing software gemaakt worden? In
Nadere informatieModel Driven Development. Kosten, baten, organisatie
Model Driven Development Kosten, baten, organisatie Model Based versus Model Driven 2 MODEL BASED VERSUS MODEL DRIVEN 3 Model Based Development Modellen gebruikt bij ontwerp Handmatig coderen aan op basis
Nadere informatieBusiness Control binnen de gemeente DATA GOVERNANCE. Gerrit Duits MSc. CPC Alisa Westerhof MSc. 22 maart 2016
Business Control binnen de gemeente DATA GOVERNANCE Gerrit Duits MSc. CPC Alisa Westerhof MSc. 22 maart 2016 Noodzaak goede data Voorbeeld sociaal domein Inhoud Data is vakwerk Het Data Maturity Model
Nadere informatie